想象你是一位社区侦探，名叫老王。最近小区里流传着“张阿姨和李叔叔私下勾结”的风言风语。你翻遍监控，发现他们确实经常一起出现在早市、一起参加广场舞。可是——小区里有个热心的王大爷，他总爱帮大家传话、代收快递、组织活动。张阿姨和李叔叔的“同框”，会不会只是因为王大爷在中间牵线搭桥呢？ 要破这个案，你必须回答一个问题：把王大爷的因素排除掉之后，张阿姨和李叔叔的行为还有没有“超乎寻常”的联系？如果有，那就是直接勾结；如果没有，那只是“中间人效应”。在因果发现的世界里，这个问题就叫条件独立性检验。它是约束式因果发现的核心引擎：先判断变量间谁跟谁“切断联系”，再据此绘制因果图。今天，我们就跟着老王，把这张“关系网”一层层拆开。

岗位关联

对 AI 从业者而言，条件独立性检验是因果发现中最关键的“体检仪器”——掌握它，你才能从海量数据中分辨真假关联，构建可靠的因果模型与可信数据层。

目录
  1. 可视化演示
  2. 独立内涵辨析
  3. 检验流程框架
  4. 卡方检验方法
  5. G检验方法
  6. 核方法检验
  7. 显著性与校正
  8. 数据类型适配
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

条件独立性检验是约束式因果发现的统计引擎，通过卡方检验、G检验或核方法判断变量在给定条件下是否独立，其检验精度... 切换模式查看不同维度。

本节配有交互动效（进入视口后自动加载，约 3KB）。

条件独立性检：核心原理 动态展示关键流程与数据流动 交互控件调节参数实时渲染 f(x) = transform(x) 核心概念的可视化呈现

独立内涵辨析

老王的第一步，是厘清“有关系”和“看似有关系”的区别。张阿姨早起买菜，李叔叔也早起买菜——这能说明他们勾结吗？不能，因为他们可能都受同一个“早市广播”影响。老王意识到：要判断两个人的行为是否真正关联，必须先分清“因为共同原因走到一起”和“背着人私下串联”。

概率论里，这种“走在一起”用独立来描述。如果两个变量的联合概率恰好等于各自概率的乘积，就说明它们之间没有互相传递信息。而更关键的条件独立是加强版：在已知第三个变量 Z 的取值后，X 与 Y 才互不相干。老王真正要查的，正是“控制王大爷的传话后，二人是否还有私联”。

有趣的是，边际上 X 和 Y 可能高度相关，一旦给定 Z 却变得独立——这正是假相关的经典来源。老王若只看总记录，就会冤枉好人。这个“看似有联系、实则中间人牵线”的结构，是所有因果发现算法的起点。

P(X,Y∣Z)=P(X∣Z)⋅P(Y∣Z)\displaystyle P(X, Y \mid Z) = P(X \mid Z) \cdot P(Y \mid Z)
公式含义：在 Z 的每个取值下，X 与 Y 的联合分布分解成边缘分布的乘积，就像在排除中间人后，两个人的行动记录互不影响。
  1. 条件概率竖线右侧的 Z 表示“在已知 Z 的条件下”，比如老王只挑王大爷在场（或不在场）的记录来观察。
    P(X,Y∣Z)\displaystyle P(X, Y \mid Z)
  2. 左联合右分解左边是 X 和 Y 一起出现的概率，右边把它拆成两个各自出现的概率相乘，好比把“二人同框”拆成“两人各自的例行活动”。
    P(X,Y∣Z)=P(X∣Z)⋅P(Y∣Z)\displaystyle P(X, Y \mid Z) = P(X \mid Z) \cdot P(Y \mid Z)
  3. 等价含义拆开之后，知道 X 不能帮你推测 Y，因为 Z 已经解释了全部“共同出没”的原因。
    X⊥ ⁣ ⁣ ⁣⊥Y∣Z\displaystyle X \perp\!\!\!\perp Y \mid Z

检验流程框架

老王不可能凭空判断二人是否勾结，他需要一套固定的破案流程。每次立案，他都先假设“这两人是清白的”（即条件独立成立），然后统计行为记录的偏离程度，最后决定是否推翻清白假设。这套流程在统计上叫假设检验，是条件独立性检验的骨架。

流程分四步：第一步，设定原假设 H0，即 X 与 Y 在给定 Z 下条件独立；第二步，构造一个检验统计量，用来度量实际数据偏离“清白状态”有多远；第三步，计算 p 值——在 H0 为真的前提下，观察到这么极端数据的概率；第四步，设定显著性水平 α，若 p 值小于 α，就拒绝原假设，判定二者存在直接关联。

如果 p 值小于 α，老王就“立案”——认为二人有直接联系；反之则“撤案”，承认一切只是中间人效应。α 就像立案的证据门槛：门槛太低，天天冤枉好人；门槛太高，真凶全部漏网。这个“证据门槛”的选择，直接影响因果图构建的成败。

p=P(T≥Tobs∣H0)\displaystyle p = P\big(T \ge T_{\mathrm{obs}} \mid H_0\big)
p 值不是“H0 成立的概率”，而是“假设 H0 成立时，看到当前这个统计量的概率”。它像一把尺子，量出数据有多“意外”。
  1. 统计量T 是代入数据后算出的检验统计量，比如卡方值或 G 值，它概括了数据偏离独立的程度。
    T\displaystyle T
  2. 观测值T_obs 是真实数据算出的具体数值，对应老王账本上这次实际记录的“可疑指数”。
    Tobs\displaystyle T_{\mathrm{obs}}
  3. 尾部概率在 H0 成立的假设下，算“统计量比观测值更极端”的概率，就是 p 值。
    p=P(T≥Tobs∣H0)\displaystyle p = P(T \ge T_{\mathrm{obs}} \mid H_0)

卡方检验方法

老王最趁手的工具是一本“预期账本”。每次调查，他先按“二人清白”的前提，推算每个行为组合“应该出现”多少次，再翻开自己的监控记录比对。比如：王大爷在场且二人同行的次数，理论上应等于“各自在王大爷在场时出现的次数”之积除以总数。这个“应该出现”的数值，就是期望频数。

把这些数据整理成一张三维列联表，每个格子存放一组 (X, Y, Z) 组合的观测频数 O 和期望频数 E。格子里的偏离越大，说明实际行为越偏离“清白预期”。卡方检验把全部格子的偏离汇总成一个数字，这就是卡方统计量。

卡方统计量近似服从卡方分布，其形状由自由度决定。自由度越大，临界阈值越高。老王把算出的卡方值与临界值一比：超过临界值就立案，没超过就继续监视。这套“账本清点法”虽然朴素，却是处理离散行为记录最稳定的主力武器。

χ2=∑i=1k(Oi−Ei)2Ei\displaystyle \chi^2 = \sum_{i=1}^{k} \frac{(O_i - E_i)^2}{E_i}
卡方统计量是所有“实际值偏离期望值”的加权总和。它越大，越说明 X 与 Y 之间存在 Z 解释不了的联系。
  1. 频数差值先看每个格子实际次数与期望次数差多少，差值越大越可疑。
    Oi−Ei\displaystyle O_i - E_i
  2. 平方归一把差值平方后再除以期望值，既消除正负抵消，又降低大格子天然波动的影响。
    (Oi−Ei)2Ei\displaystyle \frac{(O_i - E_i)^2}{E_i}
  3. 累计求和对所有格子求和，得到整体偏离度，即卡方统计量。
    χ2=∑i=1k(Oi−Ei)2Ei\displaystyle \chi^2 = \sum_{i=1}^{k} \frac{(O_i - E_i)^2}{E_i}

G检验方法

清点账本之外，老王又学会了一种更聪明的思路：与其数“偏离了多少次”，不如直接问“这些记录里到底藏着多少意外信息”。如果张阿姨和李叔叔真的只靠王大爷传话，那么串联二人的“信息”早已被王大爷解释干净；剩下的信息量应该趋近于零。这个信息量的度量，就是G 检验。

G 统计量源于似然比思想：比较“假设有关联”与“假设独立”两种模型拟合数据的优劣。它的公式里用到了自然对数，对每个格子的观测频数 O 与期望频数 E 的比值取对数再加权，最后乘 2。G 值与卡方统计量一样，也近似服从卡方分布。

在样本量足够大时，卡方与 G 检验的结论几乎一致；但在某些格子频数很小或分布稀疏时，G 检验通常更灵敏、更稳健。老王现在两本账本都带着：常规案用卡方，疑难杂案用 G 值交叉验证。这就是优劣对比的实际意义。

G=2∑i=1kOiln⁡(OiEi)\displaystyle G = 2 \sum_{i=1}^{k} O_i \ln\left(\frac{O_i}{E_i}\right)
G 值衡量的是“观测数据相对独立假设施加了多少额外信息”。比值越偏离 1，G 值越大，说明越不独立。
  1. 频率比值每个格子中，实际频数与期望频数的比值，反映该格子的“异常倍数”。
    OiEi\displaystyle \frac{O_i}{E_i}
  2. 对数化取自然对数，把倍数关系转换为“信息增量”，比值等于 1 时对数为 0，即无异常。
    ln⁡(OiEi)\displaystyle \ln\left(\frac{O_i}{E_i}\right)
  3. 加权累加以观测频数为权重，逐格累加并乘 2，得到似然比统计量。
    G=2∑i=1kOiln⁡(OiEi)\displaystyle G = 2 \sum_{i=1}^{k} O_i \ln\left(\frac{O_i}{E_i}\right)

核方法检验

如果嫌疑人的行为不是“早市/广场舞”这种分类，而是“全天候行动轨迹”这类连续数据，老王的老账本就不好使了——没法统计“每个组合出现多少次”。于是他架起了“高清望远镜”：把每一条连续轨迹看作高维空间中的一个点，用核函数隐式地把数据映射到高维特征空间，再在该空间计算相关性。

这种思路对应条件互信息：衡量给定 Z 后，X 与 Y 之间还残留多少依赖信息。若条件互信息为零，则条件独立成立。计算上常基于核方法做近似估计（如 KCIT 检验），或者对互信息本身做估计。

不过连续空间里精确计算这些概率很困难，所以实际工程常用核方法在再生核希尔伯特空间里算相关性，或者用基于距离的统计量做近似估计。老王感叹：“高清望远镜虽贵，但对付跟踪狂走迷宫式的路径，比数格子强多了。”

CMI(X;Y∣Z)=∑x,y,zp(x,y,z)⋅ln⁡p(x,y∣z)p(x∣z) p(y∣z)\displaystyle \mathrm{CMI}(X; Y \mid Z) = \sum_{x, y, z} p(x, y, z) \cdot \ln \frac{p(x, y \mid z)}{p(x \mid z) \, p(y \mid z)}
条件互信息把“给定 Z 后 X 与 Y 的联合分布”和“两者条件独立时的理想分布”做对比，差异越大，依赖越强。它等于零，就表示条件独立。
  1. 联合加权对 x、y、z 的所有取值组合，以联合概率为权重做求和。
    ∑x,y,zp(x,y,z)\displaystyle \sum_{x, y, z} p(x, y, z)
  2. 条件比值括号里的分数对比“条件联合分布”与“条件独立理想分布”，偏离 1 说明存在依赖。
    p(x,y∣z)p(x∣z) p(y∣z)\displaystyle \frac{p(x, y \mid z)}{p(x \mid z) \, p(y \mid z)}
  3. 对数与累加取对数后加权累加，得到残留意向量的总量，即条件互信息。
    CMI(X;Y∣Z)\displaystyle \mathrm{CMI}(X; Y \mid Z)

显著性与校正

一天下午，老王决定对整个小区几百对居民做“关系网普查”。他按老规矩，每次都设 α = 0.05——单次检验误报概率只有 5%，听起来很低。可当他测了 100 对居民后，数学上平均会误报 5 次！这些误报会变成关系图上不存在的连线，让整张人物关系网变得满目疮痍。这就是多重比较问题。

解决办法之一是邦费罗尼校正：把显著性水平除以检验次数 m，用更严格的阈值替代原来的 α。虽然这样做会更保守、容易漏掉真实关联，但能有效控制整批检验的误报率。

这一步对骨架学习至关重要：因果发现算法要测试海量变量对，每一条边都是一次检验的结果。如果不对显著性做校正，骨架图会充满虚假连线，后续的方向定向也就全盘皆输。老王把这句话刻在办公桌上：“普查要控误报，破案要看大局。”

α′=αm\displaystyle \alpha' = \frac{\alpha}{m}
单一案子的证据门槛放宽，整个小区的“关系普查”要把门槛除以调查对数，从而控制整体误报数量。
  1. 单次门槛α 是单次检验允许的误报概率，相当于单个案子的“立案阈值”。
    α=0.05\displaystyle \alpha = 0.05
  2. 除以次数把阈值除以同时检验的数量 m，每次检验的门槛变得更严格。
    αm\displaystyle \frac{\alpha}{m}
  3. 校正阈值用校正后的 α' 作为新的判定标准，整体误报概率被压在 α 附近。
    α′=αm\displaystyle \alpha' = \frac{\alpha}{m}

数据类型适配

断案久了，老王总结出一套工具选择口诀：“离散行为数格子，连续轨迹上望远镜，混合数据拆开看。”不同数据类型对应不同检验方法，选错了工具，再精确的账本也算不出真相。

对于离散分类数据，卡方检验和 G 检验是首选，它们直接把频数统计进列联表；对于连续数据，则应使用核方法或条件互信息估计，避免强行离散化造成信息损失；对于混合数据，可以按连续变量分层后在每层内做离散检验，或者设计混合核函数。一个关键细节是自由度的计算：它决定临界阈值，而条件检验的自由度随 Z 的取值结构变化。

老王最终明白：条件独立性检验的精度，不只取决于检验统计量本身，更取决于选择准则——根据数据类型选对方法、根据检验数量调好显著性。工具对了，破案才不冤枉人；方法错了，即使数据堆成山，也只是给错误的结论披上精确的外衣。

df=∑z(∣Xz∣−1)⋅(∣Yz∣−1)\displaystyle \mathrm{df} = \sum_{z} \big(|X_z| - 1\big) \cdot \big(|Y_z| - 1\big)
自由度是“可以自由变动的格子数”。每层 Z 下 X、Y 的类别数各减一后相乘，再跨层求和，它直接决定卡方临界值。
  1. 每层类别数对每个 Z 取值层，数一数 X 和 Y 在该层分别有多少个类别。
    ∣Xz∣,  ∣Yz∣\displaystyle |X_z|, \; |Y_z|
  2. 各减一每层可自由变动的类别数，类似“剩下的人可以随便换座位，最后一人没得选”。
    (∣Xz∣−1)(∣Yz∣−1)\displaystyle (|X_z| - 1)(|Y_z| - 1)
  3. 跨层累加所有 Z 层的自由度相加，得到整个条件检验的自由度。
    ∑z(∣Xz∣−1)(∣Yz∣−1)\displaystyle \sum_{z} (|X_z| - 1)(|Y_z| - 1)

AI 应用场景

医疗证据链核查

阶段：数据清洗与因果结构学习

解决的问题：电子病历中“用药”与“指标好转”往往同时出现，但它们可能都受“疾病严重程度”驱动。传统报表直接算相关性，会把混淆关联当成疗效证据，导致错误结论。利用条件独立性检验，在控制诊断分型后判断用药与指标是否仍有依赖，从而剔除假关联。

具体案例：某三甲医院分析 5 万份高血压病历，将“用药种类”、“血压达标”与“合并症数量”放入条件独立性检验。结果显示：控制合并症后，部分用药组合与血压达标实际互相独立，真实有效的只有两种一线用药。医院据此调整临床路径，减少了不必要的联合用药。

广告归因去混淆

阶段：特征工程与因果推断

解决的问题：广告投放平台想回答“这个曝光真的带来了购买吗”。用户画像（如消费层级）同时影响曝光和购买，产生假相关。条件独立性检验能在控制用户分层后，判断“曝光”与“下单”是否仍关联，为预算分配提供因果依据。

具体案例：某电商平台对 2 亿条曝光日志做归因分析，以用户活跃度分层作为条件变量，逐层检验曝光与购买的独立性。结果发现 60% 的“高曝光高转化”人群只是本身活跃，曝光本身并无增量效果。平台据此削减无效投放，转化成本降低 18%。

数据可信层校验

阶段：数据质量校验与可信评估

解决的问题：在数据可信层建设中，特征与目标之间的相关性常被混淆变量污染，导致下游模型学到“伪规律”。条件独立性检验可以作为数据质量门禁，自动发现并标记疑似“不稳健关联”，在模型上线前拦截风险。

具体案例：一家金融科技公司的风控数据集里，“登录时段”与“逾期率”显示强相关，但条件独立性检验发现给定“收入分层”后二者完全独立。该关联被标记为经验风险并下线，避免了模型在极端收入群体上的误判。

Python 演示

python69 行
"""条件独立性检验最小实现: 卡方统计量与 G 统计量."""import mathfrom collections import defaultdict  def build_3d_table(X, Y, Z):    """把 (x, y, z) 三元组统计成三维列联表."""    table = defaultdict(int)    for x, y, z in zip(X, Y, Z):        table[(x, y, z)] += 1    return table  def marginal(table, dims):    """沿指定维度求和, 得到边际计数. dims 为保留的维度下标."""    m = defaultdict(int)    for key, cnt in table.items():        m[tuple(key[i] for i in dims)] += cnt    return m  def cond_indep_stats(X, Y, Z):    """返回 (卡方统计量, G统计量), 两者近似服从卡方分布."""    table = build_3d_table(X, Y, Z)    n = len(X)    m_xz = marginal(table, (0, 2))    m_yz = marginal(table, (1, 2))    m_z = marginal(table, (2,))    chi2 = 0.0    g = 0.0    for (x, y, z), obs in table.items():        exp = m_xz[(x, z)] * m_yz[(y, z)] / m_z[z]        if exp > 0:            chi2 += (obs - exp) ** 2 / exp            if obs > 0:                g += 2.0 * obs * math.log(obs / exp)    return chi2, g  def simulate_data(n=900):    """生成满足条件独立的数据: Z -> X 且 Z -> Y."""    import random    random.seed(42)    z_pool = ['L', 'M', 'H']    zs, xs, ys = [], [], []    for _ in range(n):        z = random.choice(z_pool)        p = {'L': 0.2, 'M': 0.5, 'H': 0.8}[z]        x = 'A' if random.random() < p else 'B'        y = 'C' if random.random() < p else 'D'        zs.append(z)        xs.append(x)        ys.append(y)    return xs, ys, zs  if __name__ == '__main__':    X, Y, Z = simulate_data()    chi2, g = cond_indep_stats(X, Y, Z)    df = (2 - 1) * (2 - 1) * 3  # X/Y 二值, Z 三值    crit = 7.81  # df=3 时卡方分布 0.95 分位临界值    print('卡方统计量 = %.3f' % chi2)    print('G统计量     = %.3f' % g)    print('自由度       =', df)    print('0.95临界值  =', crit)    if chi2 < crit and g < crit:        print('结论: 不能拒绝条件独立 => X 与 Y 在给定 Z 下相互独立')    else:        print('结论: 拒绝条件独立 => X 与 Y 存在直接关联')
目的：用纯 Python 实现条件独立性检验的核心统计量，在合成数据上判断“X 与 Y 是否在给定 Z 后仍然独立”。
  1. table = defaultdict(int)用字典统计三维列联表，不存在的组合自动计数为 0，简洁且安全。
  2. m[tuple(key[i] for i in dims)] += cnt沿指定维度做边际求和，类似把大账本按保留列重组小账本。
  3. exp = m_xz[(x, z)] * m_yz[(y, z)] / m_z[z]关键一步：在给定 z 层内，用“X 与 Z 的边际”乘“Y 与 Z 的边际”除以“Z 的边际”，得到独立假设下的期望频数，相当于老王推算“如果清白应该出现多少次”。
  4. chi2 += (obs - exp) ** 2 / exp累积卡方统计量，度量每个格子实际对期望的偏离。
  5. g += 2.0 * obs * math.log(obs / exp)累积 G 统计量，用对数衡量信息增量，是卡方的“信息论版本”。
  6. x = 'A' if random.random() < p else 'B'保证 X 只受 Z 影响，与 Y 在给定 Z 下无关，从而生成“真条件独立”数据。
  7. df = (2 - 1) * (2 - 1) * 3计算自由度：X/Y 各二值、Z 三种取值，每层自由度 1，共 3。

常见误区

误区“老王看到张阿姨和李叔叔经常一起出现在早市，就觉得他们肯定有直接联系，根本没想过中间人王大爷。”

正解边际相关不等于因果关联。两个变量可能都受共同原因驱动，呈现出“伪相关”。条件独立性检验的意义，正是把 Z 的影响剥离后重新审视 X 与 Y 的关系。就像破案必须先排除中间人，再看二人是否仍有私联。

为何常见：人的直觉天然倾向“共同出现即有联系”，忽略隐藏的第三方因素，这是因果推断中最常见的认知偏差。

误区“既然 p 值 > 0.05，那就说明 X 和 Y 一定条件独立了，结论铁板钉钉。”

正解p 值大于阈值只能说明“证据不足，无法拒绝原假设”，并不等于“原假设为真”。好比老王的证据不足以立案，不等于二人一定清白——可能只是监控盲区太多、样本量太小，真实线索藏在角落里。应报告统计量、样本量和功效，把“证据不足”说清楚。

为何常见：假设检验的“不能拒绝”在逻辑上是弱结论，但初学者容易把它误读成“接受原假设”，从而过度自信。

误区“反正我手里只有 50 条记录，也照常用卡方公式算一遍，结果看起来挺显著的。”

正解卡方检验依赖大样本近似，期望频数过小时（如超过 20% 的格子 E < 5），分布近似失效，结论不可靠。此时应改用 Fisher 精确检验、G 检验或蒙特卡洛近似。就像账本只有三页纸时，硬要按“大数定律”推断全小区规律，自然会出错。

为何常见：卡方公式简单易算，让很多人忽略它的适用前提，把“能算”误认为“算得对”。

误区“α = 0.05 是行业标准，所有检验都用它，准没错。”

正解显著性水平必须结合检验场景和检验次数来定。做 100 次检验仍用 0.05，平均会产生约 5 次误报，污染整个关系骨架。因果发现中应使用邦费罗尼等校正方法，或根据先验知识调整 α。阈值是“证据门槛”，不是万能常数。

为何常见：教材和软件默认值让 0.05 成了“肌肉记忆”，大家忽略了它的统计含义和多重比较风险。

面试题

Q1. 张阿姨与李叔叔边际相关，但在给定中间人王大爷（Z）后变得独立，这说明什么？

单选题 · easy

  • A.X 与 Y 必然存在直接因果联系
  • B.X 与 Y 通过 Z 产生了间接关联← 正确答案
  • C.Z 与 X 毫无关系，检验无意义
  • D.数据量不足需要增大样本量

答案：B。边际相关但条件独立，正是“共同原因”的典型模式：相关由 Z 传导，而非 X、Y 直接因果。老王的结论应当是“通过中间人产生间接关联”，而不是直接勾结，更不是数据不足。

Q2. 条件独立性检验中，原假设 H0 通常是什么？

单选题 · easy

  • A.X 与 Y 存在因果关系
  • B.X 与 Y 条件独立于 Z← 正确答案
  • C.Z 与 Y 存在因果关系
  • D.检验统计量服从正态分布

答案：B。原假设是“清白假设”，即 X 与 Y 在给定 Z 后相互独立。p 值小于阈值时拒绝 H0，才认为存在直接关联。默认把“独立”当原假设，是因为它更容易被数据推翻，符合“疑罪从无”原则。

Q3. p 值的正确含义是下列哪一项？

单选题 · mid

  • A.H0 为真时出现当前结果的概率← 正确答案
  • B.H0 为假时出现当前结果的概率
  • C.数据中异常点占的比例
  • D.拒绝 H0 时犯错的最小概率

答案：A。p 值是“假设 H0 成立，观测到当前这么极端统计量的概率”，不是 H0 为真的概率，也不是犯错的概率。它像老王问：“如果二人清白，今晚这份同框记录有多离谱？”

Q4. 卡方统计量的值非常大，最合理的解读是什么？

单选题 · mid

  • A.期望频数普遍偏大导致越界
  • B.实际频数与期望频数偏离大← 正确答案
  • C.样本量太小无法判断
  • D.列联表一定构造错误

答案：B。卡方统计量是所有格子的 (O-E)^2/E 之和，极大值意味着观测数据严重偏离“独立假设”下的期望频数，应拒绝 H0，判定 X 与 Y 存在依赖。这与老王账本上“实际记录与预期账本差异巨大”是同一个意思。

Q5. 其他条件不变，Z 的取值类别数从 2 增加到 4，检验的自由度会怎样变化？

单选题 · hard

  • A.自由度保持不变，判别力不变
  • B.自由度相应增大，阈值上移← 正确答案
  • C.自由度相应减小，阈值下移
  • D.自由度变为零，检验失效

答案：B。条件检验的自由度按各 Z 层的 (|X|-1)(|Y|-1) 累加，Z 类别越多，自由度越大，卡方分布的临界阈值也随之提高。阈值上移意味着需要更大的偏离才能拒绝 H0，检验变得更“挑剔”。

Q6. 把显著性水平 α 设得非常小（如 0.0001），最可能的后果是？

单选题 · hard

  • A.更容易误报，把无关当有关
  • B.更难发现真实关联，功效降低← 正确答案
  • C.p 值会自动变大趋近于 1
  • D.统计量会自动缩小到零

答案：B。α 越小，拒绝 H0 的门槛越高，误报减少但漏报增加，统计功效下降。就像老王把立案标准定得极其苛刻，结果真凶全都逍遥法外。显著性水平需要在误报与漏报之间权衡。

Q7. 在因果发现中做大量条件独立性检验时，为什么需要多重比较校正？

单选题 · easy

  • A.检验次数增加，假阳性率上升← 正确答案
  • B.检验次数增加，统计量更准确
  • C.检验次数增加，样本自动变大
  • D.检验次数增加，自由度下降

答案：A。每次检验都有 α 的误报概率，检验 m 次后至少一次误报的概率急剧上升。若不校正，骨架图会平添许多虚假连线。邦费罗尼校正把阈值除以 m，正是为了控制总误报。

Q8. 关于卡方与 G 检验的使用前提，下列说法正确的有哪些？

多选题 · mid

  • A.变量必须是离散类别型← 正确答案
  • B.样本量足够支撑期望频数← 正确答案
  • C.变量必须服从正态分布
  • D.各期望频数不宜过小← 正确答案

答案：ABD。卡方与 G 检验面向离散列联表，需要样本量足够且期望频数不过小（通常要求 E≥5 的格子占多数）。它们不要求正态分布，因为统计量本身近似卡方分布而非原始数据正态。选项 C 是常见张冠李戴。

Q9. 关于 G 检验与卡方检验的关系，下列说法正确的是？

多选题 · hard

  • A.大样本下两者统计量近似← 正确答案
  • B.G 检验源于似然比思想← 正确答案
  • C.两者都近似卡方分布← 正确答案
  • D.小样本下两者严格相等

答案：ABC。G 检验是似然比统计量，卡方检验是 Pearson 统计量，二者在大样本下渐近等价且都服从卡方分布；小样本时并不严格相等，G 通常对稀疏频数更灵敏。D 把近似关系误说成严格相等，故不选。

Q10. 对于连续变量的条件独立判断，下列哪种做法最恰当？

单选题 · hard

  • A.直接对连续值取整即可用卡方
  • B.期望频数小于一时检验仍精确
  • C.直接离散化后卡方信息损失大← 正确答案
  • D.只能使用卡方而不能用其他方法

答案：C。连续变量直接离散化会损失大量信息，导致检验功效下降，应优先使用核方法或条件互信息估计。本题中 C 是正确的判断，A、B、D 均为错误认知。选对方法比硬套经典统计量更重要。